Kuvailevan tilastotieteen soveltaminen kasvatustutkimuksessa
Kuvaileva tilastotiede on keskeinen osa kasvatustieteellistä tutkimusta, koska se mahdollistaa ytimekkään, selkeän ja helposti ymmärrettävän datan. Koulutuksen kontekstissa data kattaa usein laajan kirjon aiheita: opiskelijoiden testituloksia, motivaatiokyselyiden tuloksia, läsnäoloasteita, lukutaitopisteitä ja jopa demografisia tietoja, kuten ikää, sukupuolta ja sosioekonomista taustaa. Ilman asianmukaista käsittelyä näistä tiedoista tulee pelkkiä numeroita, joita on vaikea tulkita. Kuvailevan tilastotieteen avulla tutkijat voivat esittää reaalimaailman olosuhteita, tunnistaa alkuperäisiä malleja ja rakentaa vankan perustan ennen siirtymistä päättelevään analyysiin.
Määritelmä ja tarkoitus kuvaileva tilastotiede
Deskriptiivinen tilastotiede on tilastollinen menetelmä, jota käytetään tiedon keräämiseen, järjestämiseen, yhteenvetoon ja esittämiseen siten, että keskeiset tiedot ovat selvästi näkyvissä. Sen ensisijainen tarkoitus ei ole yleistää tuloksia laajempaan populaatioon, vaan pikemminkin kuvata tiedon ominaisuuksia. Koulutustutkimuksessa kuvaileva tilastotiede auttaa vastaamaan kysymyksiin, kuten: miten oppilaiden arvosanat jakautuvat? Mikä on keskimääräinen oppimismotivaatiopistemäärä? Onko suurin osa oppilaista tietyssä taitokategoriassa? Tai kuinka paljon vaihtelua oppimistuloksissa on oppilaiden välillä?
Toisin sanoen, kuvaileva tilastotiede on "portti" datan ymmärtämiseen. Ennen kuin tutkijat voivat tehdä johtopäätöksiä tietyn oppimismallin vaikutuksesta tai muuttujien välisestä suhteesta, heidän on ensin ymmärrettävä datan yleinen kuva.
Tietotyypit ja niiden vaikutukset koulutuksessa
Kuvailevan tilastotieteen soveltamiseen vaikuttaa suuresti kerätyn tiedon tyyppi. Koulutusdataan sisältyy yleensä:
1. Nimelliset tiedot, esimerkiksi sukupuoli (mies/nainen), pääaine (luonnontieteet/yhteiskuntatieteet), koulustatus (valtion/yksityinen).
2. Ordinaalidata, esimerkiksi asenneasteikko välillä ”täysin samaa mieltä” – ”täysin eri mieltä” tai saavutuskategoriat (korkea/keskitaso/matala).
3. Intervallidata, esimerkiksi psykologisten testien tulokset tai kyselylomakkeen tulokset, joissa käytetään Likert-asteikkoa ja joita tutkimuskäytännössä käsitellään intervalleina.
4. Suhdetiedot, esimerkiksi koepisteet (0–100), läsnäolo tai opiskeluaika (tunteina).
Tilastollisten mittareiden, kuten keskiarvon, mediaanin tai moodin, valinta sekä datan visualisointimenetelmä tulisi mukauttaa data-asteikon tyyppiin tarkemman tulkinnan saavuttamiseksi.
Keskittymisen mittarit: keskiarvo, mediaani ja moodi
Keskeisen tendenssin mittaaminen osoittaa "keskipisteen" arvon eli arvon, joka parhaiten edustaa dataa. Kasvatustieteellisessä tutkimuksessa:
– Keskiarvoa (average) käytetään usein kuvaamaan testituloksia. Esimerkiksi kahdeksannen luokan matematiikan keskimääräinen pistemäärä on 78. Tämä tieto auttaa opettajia tai tutkijoita näkemään luokan kokonaissuorituksen.
– Mediaani on hyödyllinen, kun aineisto sisältää ääriarvoja (poikkeavia havaintoja). Esimerkiksi jos joillakin opiskelijoilla on erittäin alhaiset tai erittäin korkeat pisteet, mediaani voi olla edustavampi kuin keskiarvo.
– Tila on hyödyllinen kategorisille tiedoille, esimerkiksi useimmin esiintyvälle oppimistyylikategorialle tai hallitsevimmalle motivaatiotasolle.
Oppimisen arviointitutkimuksessa näitä kolmea mittaria käytetään usein yhdessä kokonaisvaltaisemman kuvan saamiseksi.
Hajonnan mittaukset: vaihteluväli, varianssi ja keskihajonta
Datan painopisteen tuntemisen lisäksi koulutustutkijoiden on ymmärrettävä myös datan vaihtelua. Kahdella luokalla voi olla sama keskiarvo, mutta niiden jakauma eroaa. Tässä kohtaa hajonnan mittaaminen tulee mukaan kuvaan.
– Vaihteluväli on suurimman ja pienimmän arvon välinen erotus. Jos esimerkiksi pienin arvo on 40 ja suurin 95, vaihteluväli on 55. Vaihteluväli antaa nopean yleiskuvan vaihtelusta, mutta on herkkä ääriarvoille.
– Varianssia ja keskihajontaa käytetään yleisemmin, koska ne tarjoavat vakaampia mittareita vaihtelulle. Pieni keskihajonta osoittaa suhteellisen tasaisia opiskelijoiden pisteitä; suuri keskihajonta osoittaa suurta eroa oppimistuloksissa.
Kasvatustieteellisessä tutkimuksessa keskihajontaa käytetään usein arvioimaan, onko luokka homogeeninen vai heterogeeninen, esimerkiksi ennen kokeellisten ja kontrolliryhmien määrittämistä.
Tiedon jakautuminen: Kulmakerroin ja piikki
Myös datan jakaumamallit ovat tärkeitä. Pisteet voivat olla vinossa vasemmalle (monta korkeaa pistemäärää) tai oikealle (monta matalaa pistemäärää). Oppimisarvioinneissa tämäntyyppinen jakauma voi olla osoitus testin vaikeustasosta. Jos suuri osa opiskelijoista saa matalat pisteet ja jakauma on vinossa oikealle, se voi viitata siihen, että materiaalia ei ole ymmärretty, oppimismenetelmä on tehoton tai väline on liian vaikea.
Kurtoosia voidaan myös analysoida sen määrittämiseksi, onko data liian "kasaantuneena" keskipisteen ympärille vai hajallaan. Vaikka tämä analyysi on teknisempi, jakauman ymmärtäminen auttaa tutkijoita valitsemaan sopivia edistyneitä analyysitekniikoita.
Tiedon esitys: Taulukot ja visualisoinnit
Yksi kuvailevan tilastotieteen vahvuuksista on sen kyky esittää tiedot kiinnostavalla ja viestinnällisellä tavalla. Koulutustutkimuksessa yleisesti käytettyjä esitystapoja ovat:
1. Frekvenssijakaumataulukko: näyttää tietyllä arvoalueella olevien opiskelijoiden lukumäärän, esimerkiksi 0–59, 60–69, 70–79 ja niin edelleen.
2. Pylväsdiagrammi: sopii kategorisille tiedoille, kuten motivaatiotasolle (korkea/keskitaso/matala) tai kyselylomakkeen vastausvaihtoehdoille.
3. Histogrammi: käytetään numeeristen tietojen, kuten testitulosten, jakauman tarkasteluun.
4. Ympyrädiagrammi: näyttää osuudet, esimerkiksi opiskelijoiden prosenttiosuuden sukupuolen tai läsnäololuokan mukaan.
5. Laatikkodiagrammi: auttaa näkemään mediaanin, kvartiilit ja poikkeavat arvot lyhyesti, hyödyllinen useiden luokkien tai ryhmien vertailussa.
Asianmukainen visualisointi helpottaa tutkimustulosten lukemista opettajille, rehtoreille ja päättäjille.
Esimerkkejä kasvatustutkimuksen sovelluksista
Oletetaan, että tutkija haluaa ymmärtää yhdeksännen luokan oppilaiden luonnontieteiden oppimistuloksia käytettyään videopohjaisia oppimisvälineitä. Kerätty data on 30 oppilaan jälkitestituloksia.
Kuvailevan tilastotieteen soveltamisen vaiheet voivat olla:
– Laske keskiarvo saadaksesi selville luokan keskimääräisen saavutuksen.
– Laske mediaani nähdäksesi keskiarvon, joka kestää paremmin ääriarvoja.
– Laske keskihajonta sen arvioimiseksi, ovatko oppimistulokset yhdenmukaisia.
– Luo histogrammi nähdäksesi arvojen jakautumisen.
– Luo tulkinnan helpottamiseksi kategoriataulukko (esimerkiksi: erittäin hyvä, hyvä, riittävä, huono).
Näistä tuloksista tutkijat voivat esimerkiksi päätellä, että keskimääräinen arvosana on noussut ja suurin osa opiskelijoista on hyvien joukossa, vaikka jotkut opiskelijat tarvitsevat edelleen lisätukea.
Kuvailevan tilastotieteen hyödyt kasvatustieteen tutkijoille ja ammattilaisille
Kuvailevan tilastotieteen soveltaminen tarjoaa todellisia etuja, mukaan lukien:
1. Ymmärrä lähtöolosuhteet ennen oppimisintervention toteuttamista (esitesti) ja sen jälkeen (jälkitesti).
2. Opiskelijoiden tai luokkien välisten erojen havaitseminen datavaihteluiden avulla.
3. Yksinkertaista big data ytimekkääksi ja merkitykselliseksi tiedoksi.
4. Tukea päätöksentekoa esimerkiksi tukiohjelmien, rikastutusohjelmien tai opetusstrategioiden parantamisen määrittämisessä.
5. Vahvista jatkoanalyysien, kuten t-testin tai ANOVAn, toteutettavuus tarkastelemalla ensin datan jakaumaa ja ominaisuuksia.
Sulkeminen
Kuvaileva tilastotiede on olennainen perusta kasvatustieteen tutkimuksessa. Keskeisen tendenssin, hajonnan, jakauman ja erilaisten datan esitystapojen mittaamisen avulla tutkijat voivat kuvata oppimistilanteita objektiivisesti ja systemaattisesti. Sen soveltaminen ei ole hyödyllistä ainoastaan akateemisissa tarkoituksissa, vaan se edistää myös jokapäiväistä koulutuskäytäntöä: se auttaa opettajia ymmärtämään oppilaiden tarpeita, avustaa kouluja ohjelmien arvioinnissa ja auttaa päättäjiä kehittämään laadunparannusstrategioita. Kuvailevan tilastotieteen hyvä ymmärtäminen tekee kasvatustieteestä vahvempaa, informatiivisempaa ja merkityksellisempää opetus- ja oppimisprosessin parantamisen kannalta.
